XiaoMi-AI文件搜索系统
World File Search System出力
考虑可再生能源出力不确定性及电力市场机组有效备用计算的多阶段鲁棒清算模型
随着我国碳政策的推进，以风电、太阳能为主的可再生能源比重不断提高，给电力系统备用带来更大挑战。由于我国电力系统的复杂性，采用分区备用的方法保证系统稳定运行难度很大。现有的备用计算结果中，机组备用会受到电网安全约束的制约，导致系统运行风险。为了在不突破安全约束的情况下高效获取机组备用，本文提出了一种可供工程实施的有效备用计算方法。该方法进一步利用箱式稳健优化算法进行安全约束机组组合，保证可再生能源的消纳，确保电力系统的稳定性和备用效率。此外，安全约束经济调度采用数据驱动的稳健随机优化算法，优化电力系统的经济性。该多阶段稳健优化模型具有良好的可扩展性，符合我国电力系统备用调度的进程。基于中国某省实际运行数据和IEEE 300节点系统的仿真分析，验证了所提模型和理论的正确性和可行性。
一种新型手术规划系统，使用人工智能模型来优化具有最高骨矿物质密度和最强拉出力的椎弓根螺钉轨迹规划
目的 本研究旨在评估一种新型人工智能 (AI) 模型在骨质疏松患者中识别具有更高骨矿物质密度 (BMD) 和更高拉出力 (POF) 的优化椎弓根螺钉轨迹的能力。方法使用 3D 图形搜索和基于 AI 的有限元分析模型开发了一种创新的椎弓根螺钉轨迹规划系统（称为 Bone's Trajectory）。回顾性分析了 21 名老年骨质疏松患者术前 CT 扫描。AI 模型自动计算替代椎弓根轨迹的数量、轨迹 BMD 和估计的 L3-5 POF。记录优化轨迹的最高 BMD 和最高 POF，并将其与 AO 标准轨迹进行比较。结果 患者平均年龄为 69.6 ± 7.8 岁，平均椎体 BMD 为 55.9 ± 17.1 mg/ml。在 L3–5 的两侧，优化轨迹的 BMD 和 POF 明显高于 AO 标准轨迹（p < 0.05）。平均而言，优化轨迹螺钉的 POF 至少比 AO 轨迹螺钉增加 2.0 倍。结论 新型 AI 模型在选择 BMD 和 POF 高于 AO 标准轨迹的优化椎弓根轨迹方面表现良好。
一种使用人工智能模型优化规划具有最高骨密度和最强拔出力的椎弓根螺钉轨迹的新型手术规划系统
目的 本研究旨在评估一种新型人工智能 (AI) 模型在骨质疏松患者中识别具有更高骨矿物质密度 (BMD) 和更高拉出力 (POF) 的优化椎弓根螺钉轨迹的能力。方法 使用 3D 图形搜索和基于 AI 的有限元分析模型开发了一种创新的椎弓根螺钉轨迹规划系统，称为骨轨迹。回顾性分析了 21 名老年骨质疏松患者的术前 CT 扫描。AI 模型自动计算替代椎弓根轨迹的数量、轨迹 BMD 和 L3-5 的估计 POF。记录优化轨迹的最高 BMD 和最高 POF，并与 AO 标准轨迹进行比较。结果 患者平均年龄为 69.6 ± 7.8 岁，椎体平均 BMD 为 55.9 ± 17.1 mg/ml。在 L3–5 两侧，优化轨迹的 BMD 和 POF 均显著高于 AO 标准轨迹（p < 0.05）。平均而言，优化轨迹螺钉的 POF 与 AO 轨迹螺钉相比至少增加了 2.0 倍。结论 新型 AI 模型在选择比 AO 标准轨迹具有更高 BMD 和 POF 的优化椎弓根轨迹方面表现良好。
含储能系统的风电场单样本最优出力平滑方法
全球环境问题（如全球变暖和化石燃料枯竭）是严重的问题。风力发电作为解决这些问题的方案已在世界范围内受到重视[1]。然而，风力发电机的输出会由于风速变化而频繁且迅速地波动。在拥有大规模风电场 (WF) 的电力系统中，频率和电压等电能质量可能会下降[2–5]。为了避免这种情况，电力公司发布了与 WF 功率波动相关的技术要求。为了缓解功率波动，人们使用了储能系统 (ESS)（如电池或飞轮 [6–8]），如图 1 所示。ESS 的主要问题之一是如何设计控制系统以降低成本。为此，需要一种控制算法来降低 ESS 的额定功率（额定能量容量），因为吸收 WF 输出短期分量的 ESS 的成本主要由额定功率决定。虽然 ESS 的成本也取决于额定能量容量，但它受到 ESS 额定功率（通过所谓的 C 速率）的制约 [9]。此外，虽然 ESS 的充电/放电损耗会影响成本，但尚未详细讨论该问题。已经报道了一些降低额定功率（额定能量容量）的 ESS 控制方法。一阶低通滤波器（FLF）通常用于 ESS 控制系统中，通过消除短期分量来减轻 WF 输出的波动。